Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables
Chalmers University of Technology（查尔姆斯理工大学）
本文提出Flow IV方法，通过工具变量和正常化流估计可逆结果函数，实现非可分离模型中的反事实推断。
2026-03-28 cs.LG stat.ML
Using negative controls to identify causal effects with invalid instrumental variables
本文利用阴性对照人群或结果，在工具变量假设违反时识别因果效应，提出多重稳健估计量，并通过模拟和生命跨度研究验证其有效性。
2025-01-23 math.ST stat.ME stat.TH
Doubly Robust Nonparametric Instrumental Variable Estimators for Survival Outcomes
工具变量（IV）方法使我们有机会解决因果推断中的不可测混杂。然而，大多数IV方法仅适用于离散或连续结局，很少有IV方法适用于删失生存结局。在这项工作中，我们提出了非参数估计的局部平均处理效应的生存概率下不可删失和可删失。我们提供了一个有效的基于影响函数的估计和一个简单的估计过程时，IV是二进制或连续的。所提出的估计具有双重鲁棒性，可以很容易地将非参数估计使用机器学习工具。在模拟研究中，我们证明了我们提出的估计在各种合理的情况下的灵活性和效率。我们将我们的方法应用于前列腺癌、肺癌、结直肠癌和卵巢癌筛查试验，以估计筛查对生存概率的因果影响，并研究在不同删失假设下两种干预措施之间的因果对比。
2020-09-28 stat.ME
Measurement errors in the binary instrumental variable model
工具变量方法即使在治疗和结局混杂时也能识别因果效应。我们研究了二进制工具变量，治疗或结果的不完善测量的问题。我们首先考虑非微分测量误差，也就是说，被误测量的变量不依赖于给定其真值的其他变量。我们发现，测量误差的工具变量不偏估计，测量误差的治疗偏估计远离零，和测量误差的结果偏估计向零。此外，我们在没有额外假设的情况下推导出因果效应的精确界限。这些界限是信息性的，因为它们排除了零。然后，我们考虑差分测量误差，并专注于在这些设置的敏感性分析。
2019-06-05 stat.ME
On Instrumental Variables Estimation of Causal Odds Ratios
因果效应的推断可以受益于工具变量（IV）的可用性，根据定义，工具变量（IV）与给定的暴露相关，但与感兴趣的结果无关，除非通过因果暴露效应。工具变量的估计方法现在已经很好地建立了连续的结果，但对二分法的结果要少得多。在这篇文章中，我们回顾了IV估计的所谓的条件因果比值比表示的效果，任意暴露的二分结果的暴露水平，工具变量和测量的协变量的条件。此外，我们提出了所谓的边际因果比值比的IV估计，表示在人口水平上的二分结果的任意暴露的影响，因此更大的公共卫生相关性。我们探索不同的估计之间的相互联系，并支持广泛的模拟研究和三个应用程序的结果。
2012-01-12 stat.ME
Instrumental variable approaches for estimating complier average causal effects on bivariate outcomes in randomised trials with non-compliance
在随机对照试验（RCT）中，治疗不依从的情况下，使用工具变量方法来估计复杂的平均因果效应。我们将这些方法扩展到成本效益分析，其中方法需要认识到成本和健康结果之间的相关性。我们提出了一个贝叶斯全似然（BFL）的方法，它联合模型的随机分配对接受的治疗和结果的影响，和一个三阶段的最小二乘法（3SLS）的方法，它承认之间的相关性的终点，和接受的治疗的endointerval。本研究的动机是REFLUX研究，该研究证实了RCT和常规实践之间依从性差异的设置。通过仿真比较了这些方法的性能。我们发现，未能正确建模的结果和接受的治疗之间的相关性可能会导致不良的CI覆盖率和有偏估计。相比之下，BFL和3sls方法提供了具有良好覆盖率的无偏估计。
2016-12-01 stat.ME
An instrumental variable method for point processes: generalised Wald estimation based on deconvolution
点过程是对事件数据建模的概率工具。虽然有一个快速增长的文献研究点过程之间的关系，它仍然没有探索如何连接到因果关系的影响。在存在不可测量的混杂因素时，点过程模型的参数不一定具有因果解释。我们提出了一个工具变量方法，用于具有点过程处理和结果的因果推断。我们定义的因果量的基础上，潜在的结果和建立非参数识别结果与二进制工具变量。我们将传统的Wald估计扩展到处理点过程治疗和结果，表明它应该在对治疗和结果的意向治疗效果进行傅立叶变换后进行，从而采取反卷积的形式。我们将其称为广义Wald估计，并提出了一种基于成熟的反卷积方法的估计策略。
2023-01-09 stat.ME
A nonparametric instrumental approach to endogeneity in competing risks models
本文讨论了具有持续期结局、竞争风险和随机右截尾的内生治疗模型。使用离散工具变量解决了内点问题。我们发现，竞争风险模型产生一个非参数分位数工具回归问题。特定原因累积发生率、特定原因危害和子分布危害可以从回归函数中恢复。该模型的一个显着特点是，审查和竞争风险防止识别在某些分位数。我们的特点是一组分位数的精确识别是可能的，并给出部分识别结果的其他分位数。我们概述了一个估计过程，并讨论其性质。有限样本性能的估计通过模拟评估。我们将所提出的方法应用于大纽约州的健康保险计划实验。
2021-05-03 econ.EM math.ST q-bio.QM
Estimation and inference for high-dimensional nonparametric additive instrumental-variables regression
工具变量的方法提供了一个基本的和实用的工具，因果推断在许多实证研究中，治疗和结果之间的不可测量的混杂存在。现代数据，如来自这些研究的遗传基因组学数据，往往是高维的。高维线性工具变量回归由于其简单性而在文献中被考虑，尽管可能存在真正的非线性关系。我们提出了一个更多的数据驱动的方法，通过考虑非参数加性模型之间的工具和治疗，同时保持一个线性模型之间的治疗和结果，使其中的系数可以直接承担因果关系的解释。我们提供了一个两阶段的框架下，这个更一般的设置估计和推理。首先采用组套索正则化从高维加性模型中选择最佳工具，然后对加性模型的拟合值回归结果变量，以识别和估计重要的处理效应。我们提供了所提出的估计的估计误差的非渐近分析。进一步采用去偏过程来产生有效的推断。大量的数值实验表明，我们的方法可以媲美或优于现有的方法在文献中。最后，我们分析了小鼠肥胖数据，并讨论了我们的方法的新发现。
2022-10-27 math.ST stat.ME stat.TH
Outcome-Aware Spectral Feature Learning for Instrumental Variable Regression
Gatsby Computational Neuroscience Unit, University College London（Gatsby计算神经科学单位，伦敦大学学院）；Faculty of Science, University of Novi Sad（科学学院，诺维萨德大学）；AI Centre, University College London（人工智能中心，伦敦大学学院）；DIBRIS, University of Genoa（DIBRIS，热那亚大学）
针对存在隐藏混杂因素的非参数工具变量回归问题，提出一种通过最小化基于增广算子的对比损失来学习结果感知谱特征的方法，以缓解谱错位导致的因果函数表示不足问题。
2026-05-28 cs.LG stat.ML
Identifiability of the instrumental variable model with the treatment and outcome missing not at random
University of Michigan（密歇根大学）；University of California（加州大学）；Tsinghua University（清华大学）
研究工具变量模型中，当处理变量和结果变量非随机缺失时，局部平均处理效应的可识别性，通过穷举缺失机制刻画了无需辅助信息即可识别CACE的条件。
2026-06-23 stat.ME
Sensitivity Analysis of G-estimators to Invalid Instrumental Variables
本文提出一种针对因果线性和非线性模型中G估计量的新敏感性分析方法，引入单一敏感性参数捕捉排除与外生性假设违反，并通过模拟和真实数据验证，为实践者提供指南。
2023-09-05 math.ST stat.ME stat.TH
Sensitivity analyses for average treatment effects when outcome is censored by death in instrumental variable models
在对非死亡结局（如支气管肺发育不良（BPD））进行因果推断时出现的两个问题是未测量的混杂和死亡删失，即，只有当受试者存活时才能观察到结果。在不依从的随机化实验中，工具变量方法可用于控制未测量的混杂因素，而无需通过死亡进行删失。但是，当按死亡删失时，在通常假设下无法确定平均因果处理效应，但可以通过使用附加假设的敏感性分析研究特定亚群。然而，在观察性研究中，未充分研究通过未测量混杂因素的死亡问题删失的局部平均处理效应（LATE）评价。本文提出了一种基于工具变量模型的敏感性分析方法。具体来说，我们提出了一个额外的假设下的识别结果，并提出了一个三步的LATE估计过程。此外，我们提出了一种改进的两步程序，通过同时估计仪器倾向得分（即，给定协变量的仪器概率）和由假设引起的参数。我们已经通过模拟研究表明，两步程序可以比三步程序更鲁棒和有效。最后，我们将我们的敏感性分析方法应用于研究在高水平新生儿重症监护病房分娩对BPD风险的影响。
2018-02-19 stat.AP stat.ME
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境，但通常假设：a）随机分配是关注的暴露，而不是实际接受干预，b）没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量（IV）方法的丰富文献相反，几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应，我们定义并确定了新的被估量--复杂的干预直接和间接效应（即，IV中介效应）在两种情况下：1）单一IV暴露，2）两个IV，一个暴露，另一个中介，这可能是相关的。我们提出了非参数的，强大的，有效的估计，并将其应用到住房券实验。
2021-12-27 stat.ME
On Doubly Robust Estimation with Nonignorable Missing Data Using Instrumental Variables
针对非不可忽略缺失数据的结局均值估计问题，提出基于工具变量的半参数双重稳健估计方法，在部分模型误设下仍具一致性与渐近正态性，经模拟验证并应用于HIV血清阳性率评估的缺失数据校正。
2024-08-17 stat.ME
Two-sample instrumental variable analyses using heterogeneous samples
工具变量分析是一种广泛使用的方法来估计因果关系的影响，在存在不可测量的混杂。当工具、暴露和结果不在同一样本中测量时，Angrist和Krueger（1992）建议使用双样本工具变量（TSIV）估计量，该估计量使用来自工具暴露样本和工具结果样本的样本矩。然而，如果两个样本来自非齐性总体，则该方法存在偏倚，从而使仪器的分布不同。在线性结构方程模型中，我们在两个样本的结构关系相同的关键假设下，得到了一类新的对异质样本具有鲁棒性的TSIV估计.广泛使用的两样本两阶段最小二乘估计属于这一类。它通常不是渐近有效的，虽然我们发现，它执行类似的最佳TSIV估计在大多数实际情况下。然后，我们试图放松线性假设。我们发现，不像单样本分析，TSIV估计是不稳健的错误指定的暴露模型。此外，为了非参数化地确定因果效应的大小，暴露中的噪声在两个样本中必须具有相同的分布。然而，这一假设一般是不可检验的，因为在一个样本中没有观察到接触。尽管如此，我们仍然可以在噪声不均匀的情况下识别因果效应的符号。
2018-09-05 math.ST stat.TH
Testing for homogeneous treatment effects in linear and nonparametric instrumental variable models
本文针对内生处理变量和可用工具变量的情形，提出两种同质处理效应检验：一种基于线性潜在结果且计算简单，另一种基于Tikhonov正则化的非参数检验，并证明其渐近性质及有限样本表现。
2023-04-14 econ.EM math.ST stat.TH
Learning Deep Features in Instrumental Variable Regression
Gatsby Unit（盖茨比单元）；DeepMind（深度思维）；University of Washington（华盛顿大学）
提出深度特征工具变量回归（DFIV）方法，通过交替训练深度神经网络学习非线性特征，解决非线性IV回归问题，在IV基准和强化学习离线策略评估中表现优异。
2023-06-27 cs.LG stat.ML
Quasi Instrumental Variable Methods for Stable Hidden Confounding and Binary Outcome
本文针对二元结果下IV排除性限制和独立性条件常不满足的问题，提出基于稳定混杂结构模型与准工具变量的识别策略，并开发最大似然和三重稳健半参数估计量，通过模拟及UK Biobank数据验证其有效性。
2025-09-20 stat.ME
Identification and Debiased Learning of Causal Effects with General Instrumental Variables
Zhejiang University（浙江大学）
本文提出了一种利用通用工具变量进行因果效应识别与去偏学习的非参数框架，通过半参数理论构建了两个一致且渐近正态的估计量，并通过模拟和真实数据验证了方法的有效性。
2026-02-07 econ.EM math.ST stat.ME
Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable
在观察性研究中，治疗通常不是随机的，因此估计的处理效应可能会受到混杂偏倚的影响。工具变量（IV）设计起到准实验处理的作用，因为IV与治疗相关，并且仅通过治疗影响结局。在本文中，我们提出了一个新的框架，识别和推理使用的边缘平均处理效应之间的治疗（ETT）在不可测量的混杂的存在下，IV。对于推断，我们提出了三种不同的半参数方法：（i）逆概率加权（IPW），（ii）结果回归（OR），（iii）双稳健（DR）估计，如果（i）或（ii）是一致的，但不一定两者都是一致的。在二进制IV和结果的简单情况下，得到了封闭形式的局部半参数有效估计，并在更一般的情况下导出了效率界。
2016-08-26 stat.ME
RobustIV and controlfunctionIV: Causal Inference for Linear and Nonlinear Models with Invalid Instrumental Variables
本文介绍两个R软件包RobustIV和controlfunctionIV，分别用于线性与非线性模型下存在无效工具变量时的因果推断，并提供了经济数据和弗拉明汉心脏研究的应用示例。
2023-06-20 stat.CO stat.ME
A Robust Instrumental Variable Method Accounting for Treatment Switching in Open-Label Randomized Controlled Trials
在一项随机对照试验中，当最初分配到一个治疗组的患者在随访过程中改变到另一个治疗组时，发生治疗转换（也称为污染或交叉）。忽视治疗转换可能会严重偏倚治疗疗效或安全性的评价。为了考虑治疗转换，利用初始随机分配作为IV的工具变量（IV）方法可作为自然调整方法，因为它们允许可能由于潜在预后而进行的依赖性治疗转换。然而，IV方法的“排除限制”假设，要求初始随机化对结果没有直接影响，仍然值得怀疑，特别是对于开放标签试验。我们提出了一个强大的工具变量估计规避这样的警告。我们推导出我们提出的估计量的大样本特性，以及推理工具。我们进行了广泛的模拟，以检查我们的估计和相关的推理工具的有限性能。实现所有建议方法的R包`` ivsacim '在R CRAN上免费提供。我们应用该估计量评价核苷逆转录酶抑制剂（NRTI）对包括或省略NRTI的优化治疗试验中安全性结局的处理效应。
2022-09-25 math.ST stat.AP stat.ME
Estimation of local treatment effects under the binary instrumental variable model
在观察性研究和不完善的随机对照试验中，工具变量被广泛用于处理不可测量的混杂因素。在这些研究中，研究人员通常以所谓的局部平均处理效应为目标，因为它在温和条件下是可识别的。本文考虑了二进制工具变量模型下局部平均处理效应的估计。我们讨论了二元结果的因果估计的挑战，并表明，令人惊讶的是，它可能比连续结果的情况下更困难。我们提出了新的建模和估计程序，改善现有的建议，在模型的相合性，可解释性，鲁棒性或效率。我们的方法是通过模拟研究和实际数据分析说明。
2022-03-22 stat.ME
An Instrumental Variable Approach to Account for Informative Treatment Switching in Real-world Evidence
University of Minnesota（明尼苏达大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Pittsburgh（匹兹堡大学）
针对真实世界研究中信息性治疗转换导致的偏倚，提出基于工具变量的估计方法，通过基线治疗作为工具变量，结合鞅残差过程识别结构累积生存模型下的处理效应，并具有双重稳健性。
2026-07-01 stat.ME
Robustness and efficiency of covariate adjusted linear instrumental variable estimators
两阶段最小二乘（TSLS）估计及其变体被广泛用于使用工具变量（IV）来推断暴露对结果的影响。它们属于更广泛的两阶段IV估计量，其基于拟合暴露的条件均值模型，然后使用拟合的暴露值和协变量作为结果的线性模型中的预测因子。我们发现，标准的TSLS估计享有更大的鲁棒性模型误设比更一般的两阶段估计。然而，通过潜在地使用错误的曝光模型，例如当曝光是二进制时，它们往往是低效的。鉴于此，我们研究双稳健G-估计。这些方法使用暴露、IV和结局的工作模型，但仅要求IV模型或结局模型的正确规范，以保证对暴露效应的一致估计。由于局部有效的G-估计的有限样本性能可能很差，我们进一步开发了G-估计程序，提高了效率和鲁棒性的一些或所有工作模型下的误指定。仿真研究和数据分析表明，即使在一个或多个工作模型被错误指定的情况下，也有显著的改进。
2015-10-06 stat.ME
Personalized Pricing with Invalid Instrumental Variables: Identification, Estimation, and Policy Learning
University of California, Irvine（加州大学欧文分校）；George Washington University（乔治华盛顿大学）；University of Michigan at Ann Arbor（密歇根大学安娜堡分校）；Duke University（杜克大学）
基于个体客户特征的定价被广泛用于最大化卖方的收入。本文利用工具变量方法研究了内环境下的离线个性化定价问题。因果推断/计量经济学中的标准工具变量方法要么关注离散的治疗空间，要么要求排除限制工具对结果产生直接影响，这限制了它们在个性化定价中的适用性。在本文中，我们提出了一种新的政策学习方法，个性化pRicing使用无效的工具变量（打印）的连续治疗，允许直接影响的结果。具体地说，我们在收入和价格的结构模型的基础上，建立了在无效工具变量的帮助下，在内隐条件下的最优定价策略的可识别性条件。基于这种新的识别，这导致解决条件矩限制与广义残差函数，我们构建了一个对抗性的最小-最大估计，并学习最优定价策略。此外，我们建立了一个渐近遗憾界，以找到一个最优的定价策略。最后，我们通过大量的仿真研究以及美国在线汽车贷款公司的实际数据应用证明了所提出的方法的有效性。
2023-02-24 cs.LG econ.EM stat.ME
Biased Encouragements and Heterogeneous Effects in an Instrumental Variable Study of Emergency General Surgical Outcomes
我们使用观察数据研究了两种胃肠道疾病（结肠炎和憩室炎）的手术与非手术治疗的疗效。我们部署了一个工具变量设计，外科医生倾向于将其作为一种工具进行操作。假设工具有效性，我们发现，非手术的替代方案可以减少住院时间和并发症的风险，估计影响更大的脓毒症患者比非脓毒症患者。我们的工具的有效性是合理的，但不是铁的，需要一个敏感性分析。IV设计的现有敏感性分析假设效应同质性，由于患者特异性生理学原因，不太可能在此成立。我们开发了一种新的敏感性分析，可容纳任意效应异质性和利用组件可解释的观察功能。我们发现，非脓毒症患者的结果证明更强大的隐藏的偏见，尽管有较小的估计影响。对于非脓毒症患者，两个具有相同观察特征的个体在分配给高倾向手术外科医生的几率上必须相差2.34倍，才能推翻我们关于非手术治疗在缩短住院时间方面的益处的发现。对于脓毒症患者，该值仅为1.64。模拟表明，这种现象可以解释组内异质性的差异。
2020-12-10 stat.AP
Nonparametric Tests for Treatment Effect Heterogeneity with Duration Outcomes
本文提出了不同的测试处理效应异质性时，关注的结果，通常是一个持续时间变量，可能是右删失。所提出的检验研究策略是否1）对于由协变量值定义的所有子群体具有零分布（平均）效应，以及2）在不同子群体之间具有齐次平均效应。拟定检验基于两步Kaplan-Meier积分，不依赖于参数分布假设、形状限制或限制不同亚群间的潜在处理效应异质性。我们的框架不仅适用于外源性治疗分配，但也可以占治疗不依从性-在许多应用程序中的一个重要特征。建议的测试是一致的固定的替代品，并可以检测到非参数的替代品收敛到零的参数$n^{-1/2}$率，$n$的样本量。临界值计算的协助下，一个乘数的引导。通过蒙特卡罗研究和劳动力市场计划对失业持续时间的影响的应用，检验了所提出的检验的有限样本性质。开放源代码软件可用于执行所有拟议的测试。
2020-02-17 econ.EM stat.ME
A simple and robust confidence interval for causal effects with possibly invalid instruments
工具变量已被广泛用于估计治疗对结果的因果效应。基于工具变量的因果效应的现有置信区间假设所有推定的工具变量均有效;有效的工具变量是仅通过影响治疗而影响结局的变量，与未测量的混杂因素无关。然而，在实践中，一些假定的工具变量很可能是无效的。本文提出了一种简单而通用的方法来构造一个置信区间，这是强大的可能无效的工具。稳健的置信区间具有正确覆盖的理论保证，并且还可以用于在违反工具变量假设时评估推断的灵敏度。本文还表明，稳健的置信区间优于传统的置信区间流行的工具变量文献中，当无效的仪器。新的方法是适用于发展经济学研究的因果关系的收入对食品支出。
2016-07-12 stat.ME
High-dimensional Model-assisted Inference for Local Average Treatment Effects with Instrumental Variables
考虑使用工具变量估计局部平均处理效应的问题，其中在针对一组测量协变量进行调整后，工具不混淆性保持不变。需要通过回归模型估计协变量的几个未知函数，例如仪器倾向得分以及治疗和结局回归模型。我们开发了一个计算上易于处理的方法，在高维设置中的回归项的数量接近或大于样本量。我们的方法利用正则化校准估计，这涉及Lasso处罚，但仔细选择的损失函数估计这些回归模型中的系数向量，然后采用双稳健估计的治疗参数，通过增强逆概率加权。我们提供了严格的理论分析表明，如果正确指定了工具倾向得分模型，则在适当的稀疏条件下，所得到的Wald置信区间对于治疗参数是有效的，但治疗和结局回归模型可能被错误指定。对于现有的高维方法，如果正确指定了所有三个模型，则可以获得治疗参数的有效置信区间。我们评估所提出的方法，通过广泛的模拟研究和实证应用，以估计教育的回报。
2020-09-19 math.ST stat.ME stat.TH
Instrumental Variable with Competing Risk Model
在本文中，我们讨论了因果推断的疗效治疗或药物的时间事件的结果与竞争风险。虽然治疗组可以随机化，但依从性和结局之间可能存在混淆。即使在对测量的协变量进行调整后，也可能存在未测量的混杂。工具变量（IV）方法通常用于在存在不可测量的混淆的情况下产生因果参数的一致估计。基于子分布风险的半参数加性风险模型，我们提出了一个工具变量估计量，以在竞争风险环境中存在不可测量的混杂效应时得到一致的疗效估计。我们推导出所提出的估计量的渐近性质。仿真结果表明，该估计器在有限样本量下具有良好的性能.我们将我们的方法应用于一个真实的移植数据示例，并表明未测量的混淆导致效应估计的显著偏倚（约50%衰减）。
2016-12-04 stat.ME
A Semiparametric Bayesian Method for Instrumental Variable Analysis with Partly Interval-Censored Time-to-Event Outcome
University of California Los Angeles（加利福尼亚大学洛杉矶分校）
针对部分区间删失生存数据，本文提出基于两阶段 Dirichlet 过程混合工具变量（DPMIV）模型的半参数贝叶斯方法，放宽正态误差假设以估计内生变量的因果效应，模拟和 UK Biobank 数据验证了其稳健性与优越性。
2025-01-23 cs.LG stat.AP stat.CO
Verifiable identification condition for nonignorable nonresponse data with categorical instrumental variables
针对分类工具变量下不可忽略缺失数据的模型识别难题，提出一个易于检验的充分识别条件，并通过数值实验和真实数据验证其有效性。
2023-07-04 stat.ME
Unbiased estimation and asymptotically valid inference in multivariable Mendelian randomization with many weak instrumental variables
本文针对多变量孟德尔随机化中许多弱工具变量导致IVW估计有偏的问题，提出MRBEE方法，证明其能提供无偏估计和渐近有效推断，并应用于近视研究揭示教育与户外活动的因果作用。
2024-02-10 econ.EM math.ST stat.ME
Control Function Instrumental Variable Estimation of Nonlinear Causal Effect Models
当存在未测量的混杂因素和有效的工具变量时，工具变量方法可一致地估计治疗效果。有效的工具变量是独立于未测量的混杂因素的变量，影响治疗，但除了对治疗的影响外，对结局没有直接影响。两个常用的估计使用一个工具变量来估计一个处理效应是两阶段最小二乘估计和控制函数估计。对于线性因果效应模型，这两种估计是等价的，但对于非线性因果效应模型，这两种估计是不同的。我们提供了一个系统的比较，这两个估计的非线性因果效应模型，并开发了一种方法来结合这两个估计，一般表现得比单独的。我们证明了控制函数估计是一个两阶段的最小二乘估计与增广的工具变量。如果这些增广工具变量是有效的，那么控制函数估计器可以比没有增广工具变量的通常的两阶段最小二乘更有效，而如果增广工具变量是无效的，那么控制函数估计器可能是不一致的，而通常的两阶段最小二乘保持一致。我们应用Hausman检验来检验增广的工具变量是否有效，并在此检验的基础上构造一个预检验估计量。在模拟研究中的预检验估计工作良好。被认为是暴露于暴力的时间偏好的效果的应用程序。
2016-02-02 math.ST stat.ME stat.TH
Two Robust Tools for Inference about Causal Effects with Invalid Instruments
工具变量已被广泛用于估计治疗对结果的因果效应。基于工具变量的因果效应的现有置信区间假设所有推定的工具变量均有效;有效的工具变量是仅通过影响治疗而影响结局的变量，与未测量的混杂因素无关。然而，在实践中，一些假定的工具变量很可能是无效的。本文提出了两种工具进行有效的推理和测试，在存在无效的仪器。首先，我们提出了一个简单而通用的方法来构建置信区间的基础上采取工会的知名置信区间。其次，我们提出了一种新的测试的零因果效应的基础上对撞机偏见。我们的两个建议，特别是当融合在一起，优于传统的工具变量置信区间时，无效的工具，也可以用作敏感性分析时，有关注的工具变量假设被违反。新的方法是适用于孟德尔随机化研究的因果关系的低密度脂蛋白对心血管疾病的发病率。
2020-06-02 stat.AP stat.ME
Robust causal inference with continuous instruments using the local instrumental variable curve
工具变量通常用于估计受未测量的混杂影响的治疗的效果，并且在实践中工具通常是连续的（例如，距离或治疗偏好的测量）。然而，连续仪器的可用方法具有重要的局限性：它们要么需要用于识别的限制性参数假设，要么依赖于对结果和治疗过程进行良好的建模（并且需要通过所有调整协变量进行建模效应修改）。在这项工作中，我们开发了第一个半参数双稳健估计的局部工具变量效应曲线，即，在那些接受治疗的人中，仪器值高于某个阈值而不是低于该阈值。除了对工具或治疗/结果过程的错误指定具有鲁棒性外，我们的方法还结合了有关工具机制的信息，并允许对效果修改进行灵活的数据自适应估计。我们讨论了弱条件下的渐近性质，并使用的方法来研究婴儿死亡率的影响，新生儿重症监护病房的高与低的技术能力，使用旅行时间作为一种工具。
2018-07-04 stat.ME
A Study Protocol for an Instrumental Variables Analysis of the Comparative Effectiveness of two Prostate Cancer Drugs
本文介绍了一种方案或设计，用于分析醋酸阿比特龙与Enzalutamide（两种用于前列腺癌患者的药物）的比较有效性评价。该设计明确利用了21个瑞典县议会处方实践的差异，以估计两种药物对总体死亡率、疼痛和骨骼相关事件的相对有效性。该设计要求县因素：（1）影响接受治疗的概率（即，处方醋酸阿比特龙而不是enzalutamide），但（2）与结局无关。第一个假设在数据中得到了验证。后一种假设可能是站不住脚的，也不可能正式测试。然而，在敏感性分析中评价了该假设的有效性，其中使用了处方日期前观察到的两种发病率结局（即疼痛和骨骼相关事件）的数据。我们发现，县的因素没有\emph{not}解释这两个预先测量的结果。这意味着我们不能拒绝设计的有效性。
2021-10-08 stat.AP
Improved Methods for Moment Restriction Models with Marginally Incompatible Data Combination and an Application to Two-sample Instrumental Variable Estimation
在生物医学和经济学研究中，经常需要将来自多个样本的信息结合起来，但在分析结合数据时必须适当考虑这些样本之间的差异。研究了两个样本数据组合的矩约束模型的参数估计问题，其中假设两个样本的公共变量的边缘分布不同，且两个样本的数据组合是可分型的.假设指定了结果回归模型和倾向得分模型。利用半参数有效性理论，我们得到了一个增广逆概率加权（AIPW）估计，是局部有效的和双稳健的结果回归和倾向得分模型。此外，我们开发校准的回归和似然估计，不仅是本地有效的和双重强大的，但也本质上是有效的，在实现更小的方差比AIPW估计时，正确指定的倾向得分模型，但结果回归模型可能被误指定。作为一个重要的应用，我们研究了两个样本的工具变量问题，并得到相应的估计，同时允许两个样本之间的共同变量的不相容分布。最后，我们提供了一个模拟研究和计量经济学应用公共住房项目，以证明我们的改进估计的优越性能。
2018-08-11 stat.ME
An instrumental variable approach under dependent censoring
本文提出一种基于工具变量和控制函数的方法，在相依删失和未观测混杂并存的情况下估计变量对生存时间的因果效应，并应用于职业培训对失业持续时间的影响分析。
2023-01-06 math.ST stat.TH
Inference about ATE from Observational Studies with Continuous Outcome and Unmeasured Confounding
对于二元治疗和二元结局的设置，工具变量可用于构建因果处理效应的界限。对于连续的结果，有意义的边界更难获得，因为结果的域通常是不受限制的。在本文中，我们结合了一个工具变量和主观假设的背景下，一个观察性队列研究的艾滋病毒感染的妇女，构建有意义的界限的初始阶段的因果关系影响的抗逆转录病毒治疗的CD4计数。主观假设根据观察数据识别的潜在结果以及捕捉未测量混杂影响的敏感性参数进行编码。测量混杂使用逆概率加权（IPW）的方法进行调整。通过IV的额外信息，我们量化了因果处理效应和未测量混杂的程度。我们通过分析HIV流行病学研究的数据来证明我们的方法。
2013-03-25 stat.ME
Nonparametric Jackknife Instrumental Variable Estimation and Confounding Robust Surrogate Indices
本文将JIVE扩展到多弱IV的非参数IV模型，提出IV拆分法消除偏差并建立学习速率，进一步用于存在混杂时基于短期替代指标的长期结局ATE半参数推断，构建渐近正态估计量实现统计推断。
2024-10-07 math.ST stat.TH
Negative Control Falsification Tests for Instrumental Variable Designs
本文提出将工具变量设计的证伪检验视为阴性对照变量的条件独立性检验，并指出其不仅检验独立性和排除限制，还涉及函数形式假设，常规应用可能误报问题，并提供实施指南。
2025-04-27 econ.EM stat.ME
Nonparametric Instrumental Variable Inference with Many Weak Instruments
Netflix Research（Netflix研究）；Department of Statistics, University of Washington（华盛顿大学统计学系）；Cornell Tech, Cornell University（康奈尔科技，康奈尔大学）
本文提出npJIVE方法，用于非参数工具变量问题中在许多弱工具情况下估计线性逆问题的解。
2026-01-01 math.ST stat.ME stat.ML
A Multiplicative Instrumental Variable Model for Data Missing Not-at-Random
提出一种乘法工具变量模型，允许选择偏差不受限制，通过Wald比率实现非参数识别，并开发半参数多重稳健估计器，应用于HIV调查数据校正选择偏差。
2025-09-26 stat.ME
The Multiplicative Instrumental Variable Model
University of Pennsylvania（宾夕法尼亚大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Washington University in St. Louis（圣路易斯华盛顿大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
本文提出乘法工具变量模型，通过非参数方法识别处理效应，引入了新的估计器以提高效率和鲁棒性。
2026-05-11 stat.ME
Robust inference on the average treatment effect using the outcome highly adaptive lasso
治疗对结果的平均效应的许多估计值需要估计倾向得分、结果回归或两者。利用诸如半参数回归或机器学习之类的灵活技术来估计这些量通常是有益的。然而，这些回归的最佳估计不一定导致平均处理效应的最佳估计，特别是在具有强工具变量的设置中。最近的一项提案通过结果自适应套索解决了这些问题，这是一种用于估计倾向得分的惩罚回归技术，旨在最大限度地减少工具变量对处理效应估计值的影响。然而，这种方法的一个明显的局限性是，它的应用仅限于参数模型。我们提出了一个更灵活的替代方案，我们称之为高度适应性套索的结果。我们讨论了这种估计的大样本理论，并提出了封闭形式的置信区间的基础上提出的估计。我们通过模拟表明，我们的方法提供了几个流行的方法的好处。
2019-05-13 stat.CO stat.ME stat.ML
Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学应用统计学院和统计学院）
本文提出利用辅助数据集中的工具变量结合结构方程模型，解决非线性治疗效应下的因果效应估计问题，通过构建控制函数和投影方法，提出三步估计器并进行实证分析。
2026-03-29 stat.ME
Estimating and Improving Dynamic Treatment Regimes With a Time-Varying Instrumental Variable
University of Pennsylvania（宾夕法尼亚大学）
根据回顾性观察数据估计动态治疗方案（DTR）具有挑战性，因为通常会出现某种程度的未测量混杂。在这项工作中，我们开发了一个框架，估计适当定义的“最佳”DTR与随时间变化的工具变量（IV）时，未测量的协变量混淆的治疗和结果，使潜在的结果分布只有部分确定。我们推导出一种新的Bellman方程下的部分识别，用它来定义一个通用类的被估量（称为IV-最优DTR），并研究相关的估计问题。然后，我们扩展了IV最优性框架来解决策略改进问题，提供IV改进的DTR，保证其性能不会比预先指定的基线DTR更差，并且可能更好。重要的是，我们的IV改进框架开辟了严格改进DTR的可能性，DTR在无不可测混杂假设（NUCA）下是最佳的。我们通过大量的模拟证明了IV-优化和IV-改进的DTR的优越性能比仅在NUCA下最优的DTR。在一个真实的数据示例中，我们将回顾性观察登记数据嵌入到一个自然的两阶段实验中，该实验使用随时间变化的IV，并估计有用的IV最佳DTR，该DTR根据其预后变量将母亲分配到高级别或低级别的新生儿重症监护病房。
2021-04-15 cs.LG econ.EM stat.ME
Bridging preference-based instrumental variable studies and cluster-randomized encouragement experiments: study design, noncompliance, and average cluster effect ratio
工具变量方法被广泛应用于医学和社会科学研究中，当治疗和结局受到不可测量的混杂变量的混淆时，可以得出因果关系的结论。这类研究的一个重要特点是，工具变量往往应用于集群一级，例如，医院或医师对某一治疗的偏好，其中每个医院或医师自然地定义一个群集。本文提出了嵌入这样的观察工具变量数据到集群随机激励实验，使用统计匹配。潜在的结果和因果关系的假设支持的设计形式化和检查。两个常用的被估量，费舍尔的尖锐原假设和合并效应比的检验程序，扩展到目前的设置。然后，我们介绍了一种新的集群异质比例处理效应模型和相关的估计：平均集群效果比。这个新的被估量是有利的结构参数在一个恒定的比例处理效应模型，因为它允许治疗的异质性，是有利的合并效果比被估量，因为它是免疫辛普森悖论。我们开发了一个渐近有效的基于随机化的测试程序，这个新的估计的基础上解决一个混合整数二次约束优化问题。所提出的设计和推理方法应用于CABG手术期间使用经食管超声心动图对患者30天死亡率的影响的研究。
2021-05-23 stat.AP stat.ME
Evaluating the impact of instrumental variables in propensity score models using synthetic and negative control experiments
本研究通过模拟和阴性对照实验评估工具变量对倾向得分模型性能的影响，发现利用结局数据的PS方法在模拟中偏差最小，而大规模正则化回归PS模型在真实场景中表现更优。
2024-03-21 stat.AP stat.ME
Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
工具变量（IV）是一种强大的方法，即使在治疗和结果之间存在潜在的混杂因素时，也可以从观察数据中推断治疗对感兴趣结果的因果效应。然而，现有的IV方法需要选择IV并利用领域知识进行证明。无效的IV可能导致有偏估计。因此，发现一个有效的IV是至关重要的IV方法的应用。在本文中，我们研究和设计了一个数据驱动的算法，发现有效的IV数据下温和的假设。我们开发的理论的基础上部分祖先图（PAG），以支持搜索一组候选人的祖先IV（AIV），并为每个可能的AIV，其条件集的识别。在此基础上，我们提出了一个数据驱动的算法，从数据中发现一对IV。合成和真实世界的数据集上的实验表明，开发的IV发现算法估计准确的因果效应估计相比，国家的最先进的IV因果效应估计。
2022-06-04 cs.AI stat.ML
A fully Bayesian semi-parametric scalar-on-function regression (SoFR) with measurement error using instrumental variables
ActiGraph等可穿戴设备现在通常用于健康研究，以监测或跟踪身体活动。这一趋势与准确评估身体活动对肥胖等健康结果的影响的需求日益增长。当访问这些基于设备的身体活动测量与健康结果（如体重指数）之间的关联时，基于设备的数据被认为是函数，而结果是标量值。在这些设置中应用的回归模型是标量函数回归（SoFR）。SoFR中的大多数估计方法假设函数协变量被精确观测，或者测量误差被认为是随机误差。违反这一假设可能导致模型参数的低估和次优分析。SoFR中关于测量校正方法的文献在非贝叶斯文献中很少，在贝叶斯文献中几乎不存在。本文考虑了一个完全非参数贝叶斯测量误差校正的SoFR模型，放松了所有的约束假设，往往在这些模型。我们的估计依赖于一个工具变量（IV），以确定的测量误差模型。最后，我们引入了一个IV质量标量参数，该参数与所有模型参数一起进行联合估计。我们的方法是很容易实现的，我们证明了它的有限样本特性，通过广泛的模拟。最后，将开发的方法应用于国家健康和检查调查，以评估居住在美国的成年人中基于可穿戴设备的身体活动和身体质量指数之间的关系。
2022-11-09 stat.ME
